Una aplicación alternativa para personas discapacitadas

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
Las tecnologías del reconocimiento de voz y su
implementación en software libre
Una aplicación alternativa para personas
discapacitadas 1
Coca Bedoya, Óscar Julián 2 y Ramírez Rendón, Carlos Alberto 3 . GLEC.
Resumen
Este documento, presenta una introducción general de las tecnologías del
reconocimiento de voz y cómo éstas pueden ayudar a que las personas con
alteraciones motoras utilicen, de una manera amigable y dinámica, las
tecnologías de la información (TIC's). El sistema operativo GNU/Linux, una
tecnología moderna de la información, puede usarse para la creación de
nuevas utilerías y la personalización, según las necesidades de los
programadores y usuarios, para diseñar e implementar una interfaz
Hombre/Máquina a través de comandos orales.
Palabras clave: Comandos orales, Gnome, Interfaz hombre máquina,
Software Libre.
I. Introducción
El reconocimiento de voz es un campo disciplinal muy nuevo, surgido en los
inicios de la década de los años cincuenta, que presenta una evolución
significativa, debido al uso de diferentes enfoques de reconocimiento de
patrones, tales como: el estadístico, que emplea los modelos ocultos de
Markov (HMM); el sintáctico, que se basa en encontrar las relaciones
estructurales que guardan los objetos de estudio utilizando la teoría de los
lenguajes formales; el lógico combinatorio, que se fundamenta en la idea de
que la modelación del problema debe ser lo más cercano posible a la
realidad; las redes neuronales artificiales (RNA's), fundamentadas en la
simulación del comportamiento neuronal del cerebro humano; y en los
últimos años, algunos híbridos como el Branch and Bounds, que combina las
1 Basado en el trabajo de grado “Acceso al escritorio Gnome del Sistema Operativo GNU/Linux
utilizando la voz: una ayuda a las personas discapacitadas”, realizado como requisito parcial para optar
al título de Pregrado en Ingeniería de Sistemas y Telecomunicaciones, Facultad de Ingeniería,
Universidad de Manizales, 2005.
2 Estudiante Ingeniería de Sistemas y Telecomunicaciones, Facultad de Ingeniería, Universidad de
Manizales. E-mail: juliancoca@athenea.umanizales.edu.co
3 Estudiante Ingeniería de Sistemas y Telecomunicaciones, Facultad de Ingeniería, Universidad de
Manizales. E-mail: karlox@linuxmail.org
VENTANA INFORMÁTICA No. 12 – Universidad de Manizales, enero – junio / 2005 – pp 203-209

- Universidad de Manizales, enero – junio / 2005
RNA's y los HMM.
Los avances logrados con el uso de los enfoques mencionados, han
evolucionado desde el reconocimiento de palabras aisladas dependientes del
hablante, hasta el discurso continuo independiente del mismo, pasando por
la edición de texto a través de comandos orales, la autenticación de usuarios
en sistemas de seguridad, la administración de sistemas informáticos a
través de comandos orales y los sistemas de comunicación móvil con
marcado automático por voz.
Debido a lo nuevo de este campo disciplinal, los actuales motores de
reconocimiento de voz presentan falencias en su rendimiento, situación que
lo convierte en un medio de cultivo atractivo para investigación pionera por
parte de inquietos profesionales y estudiantes.
A. Obstáculos de la Vida Moderna
Actualmente, las personas discapacitadas o con alteraciones motoras de los
miembros superiores, están buscando con urgencia soluciones tecnológicas
que les permitan una interfaz, amigable y flexible, para desarrollar sus
actividades relacionadas con un computador.
En el medio latinoamericano, muchos aplicativos de software para
reconocimiento de voz tienen un alto valor comercial y, en algunos casos, no
suplen las necesidades de este grupo social. Es más, la mayoría de las
aplicaciones comerciales están enfocadas a la creación de documentos y
envío de correos, pero para acceder a ellos es necesario entrar en el menú
de aplicaciones, buscar el programa de reconocimiento de voz y ejecutarlo
manualmente.
Otros aplicativos de reconocimiento de voz, por el contrario, se cargan al
iniciar el equipo; sin embargo presentan algunas limitaciones, como: la
configuración del volumen del micrófono o de la multimedia no es
automática; la configuración de algunas aplicaciones es difícil y dispendiosa;
y requiere de los archivos de entrenamiento para su correcto funcionamiento.
Además de lo anterior, los costos de aplicativos de reconocimiento de voz y
los requerimientos mínimos de hardware y software, implican que el acceso a
ellos está limitado a un pequeño y privilegiado grupo de personas.
II. Una alternativa para la integración social
Permitir a las personas discapacitadas o con alteraciones motoras de los
miembros superiores, o a cualquier otro tipo de usuario, la utilización de
herramientas de reconocimiento de voz para la realización de sus labores
periódicas que involucren la interacción con un computador, es un gran reto,
dada la diversidad de las características que se deben tener en cuenta para
2

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
la obtención de patrones en el reconocimiento de voz.
Así pues, se pretende construir una aplicación que permita la navegación de
algunos submenús del escritorio Gnome, que se instale fácilmente, y que
sea independiente del hablante, teniendo en cuenta el compromiso social;
éstas características la convierten en una herramienta útil y ambiciosa para
los usuarios que no cuentan con los recursos económicos, y que quieran
utilizarla para sacar el mayor provecho de las aplicaciones que los sistemas
operativos les proporcionan.
Este trabajo implica, de manera adicional, crear un espacio virtual dentro del
servidor del GLEC (Grupo Linux Eje Cafetero), donde todos los interesados
en el tema podrán consultar nuestros avances, documentos relacionados,
enlaces de interés, foros de discusión, hacer sus preguntas y sugerencias.
Logrando con esto la unificación de islas de conocimiento.
III. El reconocimiento de voz en la
plataforma GNU/Linux
GNU/Linux es un sistema operativo de laboratorio concebido bajo una
Licencia Pública General (GPL), la cual establece que todos los desarrollos
bajo los términos de ésta, deben liberar su código fuente, contener la
documentación, dar permisos para que cualquier persona que quiera realizar
cambios al código fuente lo pueda hacer, siempre y cuando éstas personas
respeten los derechos morales y patrimoniales del autor, y que además siga
manteniendo los términos de ésta licencia.
El software libre ha nacido con la filosofía de permitir a cualquier persona
natural acceder a él con un bajo costo y así incrementar la participación de
los mismos en el desarrollo y utilización de las tecnologías de la información.
La gran bondad de GNU/Linux radica en su implementación a nivel mundial
por programadores de toda clase y, por tanto, se puede tener una respuesta
rápida ante cualquier dificultad que se presente, lo que se refleja también en
una gran comunidad que permite alta disponibilidad de la información y
actualización del sistema operativo.
Inicialmente GNU/Linux se diseñó e implementó como un sistema operativo
orientado a servidores, esto aclara por qué a pesar de su trascendencia y
robustez, GNU/Linux no era en un principio un sistema operativo utilizado por
los usuarios en sus computadores de escritorio, debido a la falta de
aplicaciones orientadas a suplir sus necesidades.
Con la aparición de los escritorios gráficos como Gnome y casas de
desarrollo de las diferentes distribuciones de GNU/Linux como son: Debian,
Suse, Fedora y otras, se logró darle una orientación a GNU/Linux hacia los
3

- Universidad de Manizales, enero – junio / 2005
usuarios finales, esto gracias a la inclusión de aplicaciones de multimedia,
paquetes de ofimática y otros.
A.Avances y Retrocesos de una larga Búsqueda
En la actualidad los diseñadores y desarrolladores de las distribuciones de
GNU/Linux, se han preocupado por crear interfaces amigables para acceder
a las aplicaciones y permitir su uso para una gran variedad de usuarios,
como es el caso de la distribución BLINDUX.
Dentro del tipo de interfaces interactivas están las consolas Braille y su
integración con las aplicaciones orientadas a las personas invidentes,
aplicaciones que utilizan los sintetizadores de voz para guiar a los usuarios, y
otras aplicaciones que están orientadas a la administración del sistema
operativo a través de comandos hablados, como lo hace el paquete
CvoiceControl.
CvoiceControl fue desarrollado por Daniel Kiecza y básicamente es un
sistema de reconocimiento de voz dependiente del hablante, basado en
HMM; su objetivo es permitir al usuario ejecutar comandos de Unix/Linux a
través de comandos orales.
El lenguaje de programación utilizado para la implementación de
CvoiceControl es C. Es de aclarar, que la codificación realizada presenta
falencias de programación, reflejadas en la ausencia de identación del
código fuente y el uso de punteros globales, por lo cual la lectura y estudio
del código son tareas difíciles de implementar. El CvoiceControl, permitió
grabar los segmentos de voz correspondientes a los comandos orales, pero
no su ejecución.
Dadas las razones anteriores, se planteo la necesidad de contactar a Daniel
Kiecza con el fin de obtener mayor información sobre el análisis y diseño de
CvoiceControl; el autor nunca dió respuesta, por tal motivo, se buscaron
otras alternativas para utilizar o implementar otro motor de reconocimiento de
voz.
En esta búsqueda continua de otros sistemas de reconocimiento de voz
implementados con software libre, se encontró el Perlbox-Voice; ésta
aplicación transforma texto en voz utilizando el sintetizador Festival, permite
además ejecutar comandos orales que se encuentran asociados a una
aplicación específica de GNU/Linux y responde con mensajes de voz a
ciertos comandos orales (por ejemplo un saludo) guiando al usuario. El
idioma predeterminando para el reconocimiento de los comandos orales, es
el inglés.
La principal característica de Perlbox-Voice es su independencia del
4

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
hablante, debido al uso de Sphinx-II como motor de reconocimiento, el cual
permite la identificación tanto de palabras aisladas como del discurso
continuo, dando resultados favorables de respuesta de reconocimiento de
voz.
El Sphinx-II fue desarrollado por el grupo CMU-Sphinx de la Universidad de
Carnegie Mellon, el cual se ha preocupado por las falencias de los motores
de reconocimiento de voz existentes, y el resultado de esto es el desarrollo
Sphinx-II, que utiliza los modelos ocultos de Markov y un diccionario de
lenguaje orientado al idioma inglés.
El Sphinx-II, se puede utilizar a través de una API de funciones que permite
desarrollar aplicaciones que integran el reconocimiento de voz. Esta API fue
desarrollada bajo el lenguaje C, su código fuente está bien documentado, y
en comparación con otras herramientas de reconocimiento de voz
disponibles para GNU/Linux, tiene buena estética en su codificación.
La primera fase consistió en la descarga e instalación del código fuente del
Sphinx-II en las distribuciones de GNU/Linux que se tenían a disposición:
Debian Woody, SUSE 9.1 y Red Hat 8. Posteriormente se realizaron pruebas
utilizando un micrófono de baja calidad y una tarjeta de sonido genérica, para
capturar voz utilizando las funciones de la API de Sphinx-II, que permiten el
acceso y grabación en modo crudo (a nivel de hardware). Los resultados
obtenidos fueron satisfactorios.
Lo anterior garantiza que los requerimientos de hardware son mínimos,
bajando así los costos para el usuario que utilice una aplicación que integre
la API Sphinx-II, lo que beneficiará a un mayor grupo social en el que se
encuentran las entidades de ayuda a discapacitados, las personas
discapacitadas y cualquier persona que necesite este tipo de aplicaciones
implantadas sobre un computador con pocas exigencias de hardware.
La siguiente fase fue la traducción de los manuales técnicos y de usuario del
Sphinx-II, lo cual ha permitido una mayor apropiación de la estructura y
funcionamiento de la API.
IV. Conclusiones
La técnica más utilizada para el reconocimiento de voz son los modelos
ocultos de Markov, dado su buen rendimiento para el reconocimiento del
discurso continuo e independiente del hablante, como se puede notar en los
sistemas de reconocimiento de voz referenciados en este documento.
El Sphinx-II es un sistema de reconocimiento de voz muy robusto y es
recomendable su uso para integrarlo en aplicaciones que lo necesiten.
5

- Universidad de Manizales, enero – junio / 2005
El uso de ingeniería de software en el desarrollo de aplicaciones, permite que
éstas tengan características como escalabilidad, calidad, facilidad de
mantenimiento y reutilización de código. Pues el software es un producto no
terminado.
El desarrollo de proyectos con software libre, permite un mayor alcance de
las aplicaciones informáticas que solucionan los problemas cotidianos a las
comunidades menos favorecidas, permitiendo así trascender en los campos
social y científico.
Bibliografía
[1] CMU SPHIX. [en
linea]. Estados Unidos: Carnigie Mellon University. Disponible En:
http://www.speech.cs.cmu.edu / sphinx/Sphinx.html. Consultado en
13.08.03.
[2] GOLOMB, Josh. Speech Recognition History. Leland Stanford Junior
University. (en línea) Disponible En:
http://florin.stanford.edu/~t361/Fall2000/jgolomb/YYSpeechHistoryWB.ht
m. 2001. Consultado en 13.08.03.
[3] GRASSO, Michael y FININ, Tim. Integración de Tareas en Ambientes de
Reconocimiento de Voz Multimodales. (en línea) Disponible En: URL:
http://www.acm.org/crossroads/crew/michael_grasso.html. Consultado en
07.08.03.
[4] LOPEZ MORENO, J. Desarrollo de un reconocedor de dígitos con
distintos énfasis. Universidad de las Américas, (en línea) Disponible En:
http://mailweb.udlap.mx/ ~tesis/lis/lopez_m_j/ seccion_1_5.pdf.
Consultado en 07.04.03.
[5] PMXSHOP. Reconocimiento de voz. (en línea) Disponible En:
http://www.pmx-shop.com/Reconocimiento de voz.htm. Consultado en
07.08.03.
[6] FREE SOFTWARE FUNDATION. GNU Operating System - Free
Software Fundation. Disponible En: . Consultado en
08.11.04.
[7] KIECZA, Daniel. DANIEL KIECZA. Disponible En:
URL:. Consultado en
08.08.04.
6